原站网页截图，页面可能随时间更新。
- 分类：在线课程
- 名称：Genomics and Computational Biology Health Sciences and Technology MIT OpenCourseWare
- 来源：ocw.mit.edu
课程聚焦基因组数据如何连接生物分子特征与系统功能。学习过程中，你将逐步接触复杂网络分析、定量建模和计算方法，并思考这些方法在医学与生物技术中的实际价值及边界。
从序列走向系统功能
课程首先讨论序列、结构和功能之间的联系，但重点并不止于单个基因或分子，而是延伸到复杂生物网络。学习时可将这些概念理解为一条分析路径：从遗传信息出发，观察分子结构，再进一步解释其在整体网络中的作用。这样的视角有助于理解功能基因组学为何需要综合多层次信息，而不能只依赖单一指标。
建立定量分析与模型思维
课程关注对功能基因组学进行全面、定量分析的建模进展。这里的建模不仅是对数据进行描述，也涉及如何用计算方式表达生物过程、比较不同因素之间的关系，并判断模型对真实系统的解释能力。学习时可重点关注模型假设、数据范围和结果限制，以便理解计算结果与生物意义之间并非简单等同。
综合多种计算方法
练习将涉及算法、统计、数据库和模拟等方法。算法方法可用于处理和组织复杂问题，统计方法可帮助分析数据中的关系与不确定性，数据库方法可支持信息检索与整合，模拟则可用于探索系统行为。若具备基础编程、统计或生物学知识，学习这些内容时可能更容易把不同方法放入同一分析流程中；同时，课程还安排与Perl、Mathematica及生物学相关的补充内容。
连接医学与生物技术实践
课程将计算基因组学方法联系到医学、生物技术、药物发现和基因工程。学习这些应用时，可分别思考计算分析如何支持疾病相关研究、技术开发、候选药物探索以及遗传信息的工程化利用。重点在于理解方法怎样服务于具体问题，而不是把应用领域视为彼此独立的知识点。
学习准备与批判性判断
课程同时讨论未来机会与当前限制，因此学习目标不仅是掌握方法，也包括评价方法何时有效、结论可能受到哪些约束。建议在学习前准备基础生物学和遗传学概念，并根据需要补充计算、统计或数据库使用知识；如果希望跟随相关练习，可进一步熟悉Perl或Mathematica。学习过程中宜结合讲授内容、课程笔记、音频和项目材料，逐步形成从问题定义、数据处理到结果解释的完整思路。